Show Menu
화제×

소매 영업 방법

소매 판매 레시피를 사용하면 특정 기간 동안 초기 설정된 모든 스토어에 대한 판매 예측을 예측할 수 있습니다. 정확한 예측 모델을 통해 소매업체는 수요와 가격 정책 간의 관계를 파악할 수 있을 뿐만 아니라 최적화된 가격 결정을 내림으로써 매출과 매출을 극대화할 수 있습니다.
다음 문서는 다음과 같은 질문에 응답합니다.
  • 이 레시피는 누구를 위해 만든 것입니까?
  • 이 레시피는 어떤 역할을 합니까?
  • 시작하려면 어떻게 해야 합니까?

이 레시피는 누구를 위해 만든 것입니까?

한 소매업체는 현재 시장에서 경쟁력을 유지하기 위해 많은 과제에 직면해 있습니다. 귀사의 브랜드는 소매 브랜드의 연간 매출을 증대시키고자 하지만 운영 비용을 최소화하기 위한 많은 의사 결정이 있습니다. 공급 과잉은 재고 비용을 증가시키고, 공급 부족이 고객을 다른 브랜드로 잃을 위험을 증가시킵니다. 앞으로 몇 달 동안 더 많은 공급을 주문해야 하나요? 주간 판매 목표를 유지하기 위해 제품에 대한 최적의 가격을 어떻게 결정합니까?

이 레시피는 어떤 역할을 합니까?

소매 판매 예측 레서피는 기계 학습을 사용하여 판매 동향을 예측합니다. 이 방법은 과거 소매 데이터의 풍부한 기능과 맞춤식 그래디언트 증폭(gradient increasing) 고객 회귀 알고리즘을 활용하여 1주일 전에 매출을 예측함으로써 실현됩니다. 이 모델은 과거 구매 내역과 기본값을 Data Sciences가 예측 정확도를 높이기 위해 결정한 사전 결정된 구성 매개 변수로 활용합니다.

시작하려면 어떻게 해야 합니까?

이 자습서에서는 Jupiter 전자 필기장에서 소매 판매 레서피 만들기와 전자 필기장을 사용하여 Adobe Experience Platform에서 레서피 워크플로우를 만듭니다.

데이터 스키마

이 레시피는 XDM 스키마를 사용하여 데이터를 모델링합니다. 이 레서피에 사용된 스키마는 다음과 같습니다.
필드 이름
유형
date
문자열
스토어
정수
storeType
문자열
weeklySales
숫자
storeSize
정수
온도
숫자
regionalFuelPrice
숫자
명암사
숫자
cpi
숫자
실업
숫자
isHoliday
부울

알고리즘

먼저 DSWRetailSales 스키마의 교육 데이터 세트가 로드됩니다. 여기서 모델은 그라디언트 증폭 회귀 알고리즘을 사용하여 교육됩니다 . 그래디언트 향상을 통해 약한 학습자(최소 확률보다 약간 더 나은 수강생)가 이전 학습자의 약점을 향상시키는 데 초점을 맞춘 일련의 학습자를 형성할 수 있다는 개념을 사용합니다. 또한 강력한 예측 모델을 만드는 데 사용할 수 있습니다.
이 프로세스에는 다음과 같은 세 가지 요소가 포함됩니다. 손실 함수, 약한 학습자 및 추가 모델
손실 기능은 예상 결과를 예측할 수 있다는 점에서 예측 모델이 얼마나 잘 하는지를 측정합니다. - 이 레시피에서는 최소 제곱의 회귀 사용이 사용됩니다.
그라디언트 증폭 시 결정 트리가 약해진 학습자로 사용됩니다. 일반적으로 제한된 수의 레이어, 노드 및 분할이 있는 트리는 학습자가 약한 상태를 유지하도록 하는 데 사용됩니다.
마지막으로, 부가적 모델이 사용됩니다. 손실 함수를 사용하여 손실을 계산한 후 손실을 줄이는 트리를 선택하고 더 어려운 관찰의 모델링을 개선하기 위해 가중치를 적용합니다. 이후 가중치가 적용된 트리 출력이 기존 트리 시퀀스에 추가되어 모델의 최종 출력(미래 판매 수량)을 향상시킵니다.